> For AI agents: the complete documentation index is available at https://open-spaced-repetition.github.io/ts-fsrs/zh-CN/llms.txt, the full documentation bundle is available at https://open-spaced-repetition.github.io/ts-fsrs/zh-CN/llms-full.txt.

# 训练器概览

FSRS 自带默认模型权重，但你可以用自己产品的复习日志重新训练它们，让间隔更贴合所服务的用户。训练器（Optimizer）运行在 `@open-spaced-repetition/binding` 之上：把复习日志 CSV 转成训练项、估算参数，并报告结果对留出复习的预测质量。训练出的权重通过 `weights` 直接喂回 `DefaultScheduler` 或自定义 `defineScheduler`。权重的含义见[模型](https://open-spaced-repetition.github.io/ts-fsrs/zh-CN/guide/model.md)，权重的使用位置见[调度器](https://open-spaced-repetition.github.io/ts-fsrs/zh-CN/guide/scheduler.md)。

:::warning 注意
Optimizer 目前仍处于 beta 阶段，API 方法可能随时调整。
:::


For your Agent

实现或解释 FSRS 权重训练

复制 Prompt

使用当前 ts-fsrs 训练器契约完成以下任务：[描述任务]。

1. 阅读 https://open-spaced-repetition.github.io/ts-fsrs/zh-CN/guide/optimizer/index.md 与 https://open-spaced-repetition.github.io/ts-fsrs/zh-CN/guide/optimizer/train-evaluate.md，了解运行时选择与复习日志流程。
2. 用 convertCsvToFsrsItems 转换复习日志 CSV，传入「新一天开始的小时」以及时区或 UTC 偏移。
3. 用 computeParameters(items, { enableShortTerm, modelVersion }) 训练，并把返回的权重用于 DefaultScheduler 或自定义 defineScheduler。
4. 用 evaluateWithTimeSeriesSplits 报告拟合质量；保证复习日志、评分与状态转换准确。
5. Node 里优先用原生 binding，浏览器 Worker 里用 wasip1 的 wasm 构建。
6. 使用当前公共 API，并为所实现的训练路径添加聚焦测试。

## 一个包，两种运行时

binding 用同一个导入暴露同一套 API，加载时会按运行环境自动解析构建：搜索可用的原生包，在浏览器或 Worker 中回退到 WebAssembly。按需安装对应包：

原生模块（Node、服务器与 CLI）：


```sh [npm]
npm install @open-spaced-repetition/binding
```

```sh [yarn]
yarn add @open-spaced-repetition/binding
```

```sh [pnpm]
pnpm add @open-spaced-repetition/binding
```

```sh [bun]
bun add @open-spaced-repetition/binding
```

```sh [deno]
deno add npm:@open-spaced-repetition/binding
```

WASI Preview 1（wasip1）WebAssembly：


```sh [npm]
npm install @open-spaced-repetition/binding-wasm32-wasip1
```

```sh [yarn]
yarn add @open-spaced-repetition/binding-wasm32-wasip1
```

```sh [pnpm]
pnpm add @open-spaced-repetition/binding-wasm32-wasip1
```

```sh [bun]
bun add @open-spaced-repetition/binding-wasm32-wasip1
```

```sh [deno]
deno add npm:@open-spaced-repetition/binding-wasm32-wasip1
```

wasm32-wasi WebAssembly：


```sh [npm]
npm install @open-spaced-repetition/binding-wasm32-wasi
```

```sh [yarn]
yarn add @open-spaced-repetition/binding-wasm32-wasi
```

```sh [pnpm]
pnpm add @open-spaced-repetition/binding-wasm32-wasi
```

```sh [bun]
bun add @open-spaced-repetition/binding-wasm32-wasi
```

```sh [deno]
deno add npm:@open-spaced-repetition/binding-wasm32-wasi
```

```ts
import { computeParameters } from '@open-spaced-repetition/binding'
```

你的运行环境会解析到匹配的构建：服务器或 CLI 用原生模块，浏览器或 Web Worker 用 wasm 构建。

:::note COOP/COEP 与多线程
WebAssembly 可运行 threadless 或多线程。threadless wasm 无需 Cross-Origin-Opener-Policy 或 Cross-Origin-Embedder-Policy 头即可工作，进度经 Worker 消息回传而非共享内存。多线程构建要求页面处于 `crossOriginIsolated`，即以带 COOP 与 COEP 头的方式提供。
:::

## 复习日志流程

训练由几个 binding 调用组成一条短流程：

1. `convertCsvToFsrsItems` 把复习日志 CSV 转成一组 `FSRSItem`。
2. `computeParameters` 根据这些项训练权重并返回权重数组。
3. `evaluateWithTimeSeriesSplits` 衡量这些参数对留出复习的预测质量。

你还可以用 `computeOptimalSteps` 让 binding 推荐学习与再学习步骤。逐个调用见[训练与评估](https://open-spaced-repetition.github.io/ts-fsrs/zh-CN/guide/optimizer/train-evaluate.md)；想跑一次真实训练，用[Playground](https://open-spaced-repetition.github.io/ts-fsrs/zh-CN/playground.md)页的训练器。